|
目前，随着人工智能技术的悄然成熟，各行各业都开始向AI 领域发展，AI 医疗便是很重要的领域，医学和人工智能的结合，是数字医疗领域较新的分支和产业热点。由原百度技术大牛、李彦宏的24位门客之一的张超创立的康夫子科技，成功打造了业界领先的“医疗大脑”知识内核——康夫子医疗知识图谱。通过智能问诊机器人的市场实践，去实现精准导流，降低医疗机构的运营成本。本期《互联运营观察》创新的力量特别观察节目，聚焦“AI 数据”如何落地运营去提升医疗效率。 （主持人赵艳对话康夫子创始人张超） 康夫子的运营模式： 从智能诊断着手，通过“知识图谱 推理逻辑”的医疗大脑帮助医生去做智能诊断，智能预问诊系统就像是一个机器人医生，可以提前收集患者信息推送给医生端，方便医生提前了解患者情况，让患者提前做好相关检查，缩短患者就医路径，同时减少医生重复性的问询工作，提升工作效率。应用场景有三方面： 1、在大医院的门诊中，患者在排队候诊时或者网上预约挂号后，将会引导患者登录系统回答相关问询信息。 2、在急救场景下，患者家属或者医护人员在将患者送往医院的途中，可以通过预问诊系统填写信息，方便医院提前做好相应准备，缩短抢救的准备时间。 3、随着分级诊疗的推动，患者和家庭医生需要建立联系，而通过康夫子的平台让患者预约医生，收集信息，同时对于家庭医生无法处理的情况，系统还可以给出向上级医院的导诊建议。 康夫子预问诊系统已经学习了千万条医院住院病历数据，康夫子通过对这些病历数据结构化，并提取患者的病情特征构建知识图谱，基于海量的知识图谱，打造更加精准的人机对话模型。在B端市场客户主要包括医药电商、挂号平台和三甲医院等。在C端用户市场。康夫子推出了一款名为“左手医生”的APP，大众用户可以通过其解决症状自诊、小病找药、智能分诊导诊、医疗健康知识问答等健康需求。 资本向人工智能医疗倾斜： 在全球人工智能发展的浪潮下，市场对人工智能的投入与期望空前巨大。真实数据显示，全球已迈入人工智能的研究竞争中。2016年，全球企业在人工智能上的投资为260亿~390亿美元，其中科技巨头的投资就为200亿~300亿美元吞噬掉主要份额，其余为创业公司的60亿~90亿美元投入。正确理解人工智能目前的应用能力、发展状态以及与市场预期间的距离，成为了各行业企业重要任务之一。 在爆炸式的数据积累，基于神经网络模型的新型算法与更加强大成本更低的计算力的促进下，人工智能的发展已经突破了商业领域对其应用效果的预测，人工智能技术的应用场景在各个行业逐渐明朗，开始带来降本增益的实际商业价值。从应用方向上来看，金融、医疗、汽车、零售等数据基础较好的行业方向应用场景目前相对成熟。 医疗人工智能这几年异军突起，与医疗资源严重短缺、分布失衡的现状有关。我国培养医疗人才的周期长、成本高，优质医生资源短缺。不仅中国医生短缺，未来十年内美国也会有6~9万名内科医生的缺口无法填补，老龄化的瑞士、日本都相继有类似问题曝光。解决医疗资源的供给不足，将成为人工智能渗入医疗的根本性动因。AI 人工智能已经能够在很多方面帮到医生及患者。数据显示，预计国内AI 医疗市场2018年规模将达到200亿，并继续保持超高增速。而这其中蕴含的巨大红利无疑成为众多资本眼中的“猎物”。 打造有竞争力产品来源于团队的技术积累，创始人张超毕业于电子科技大学计算数学专业，曾任新加坡国大Prof. Tat-Seng Chua多媒体搜索实验室研究助理，后来加入百度，担任自然语言处理部资深研发工程师、知识挖掘方向负责人。公司超过50%的人员为百度背景，在文本、自然语意处理方面有多年经验。康夫子成立以来一直受到资本的青睐，获得了唯猎资本、晨兴资本、火山石资本的融资。 “医疗大脑”是怎样成为超级物种的？ 知识图谱在数据表现层面由两部分组成：首先是实体节点，其次是实体之间的关系。举个例子：疾病名、症状名、药品名、化验指标这些数据是实体节点，每个节点和节点之间都有一一对应的关系，比如疾病和症状的对应关系、某种疾病需要使用什么药品、疾病需要做哪些化验等。而在实际的诊断中，还会涉及更多的对应关系。 康夫子在做的知识图谱，主要就是教会计算机在阅读海量文本后，自动给出描述某种知识的书写规律，并进行大规模的知识自动抽取。 数据抽取主要分为四步： 1. 数据预处理，比如，数据清洗、分词、专名识别、指代消岐等任务； 2. 模式学习，基于上亿条文本，自动去发现这些文本的书写规律； 3. 知识抽取，针对上亿条文本，以继续学习到的模式进行二次抽取； 4. 增强学习 Bootstrapping，基于一些标注数据、判断准则，不断重复第2、3点，并给出准确率超过99%的结果数据。 有了完善的知识图谱，还远远不够，系统要具备推理能力才能实现智能诊断。在康夫子系统上，这体现在两个方面，一是知识向量化表示，这一步也是构建口语化医学和文献专业术语的桥梁的关键步骤。也就是，将患者描述的通俗语句“翻译”为专业术语（如“抽筋”和“痉挛”的对应关系）；二是判断多种症状综合下和疾病之间的权重，配合诊断模型，提升诊断的命中率。 而比起其它知识图谱的构建有所不同的是，医学知识的分散性及无结构化这两大特性，导致医学图谱的构建更加困难。比如在娱乐领域，从娱乐站点、百科知识就能快速挖掘明星的作品、配偶等知识关系，但在医学领域，需要阅读大量权威文献后进行抽取，才能达到预期效果。 再有一点就是逻辑应用，医生囿于知识壁垒及医学本身的复杂性，在诊断领域无法面面俱到的情况下，康大夫能够给予交互，根据患者的回答情况进一步判断病症。 康夫子已经完成了对药物知识图谱的构建，目前覆盖近30万种药物，针对100种常见病的典型症状准确率已超过90%，针对4000种热门疾病的典型症状的命中率也超过80%。 1、机器人全科医生，能增大医疗资源供给。 2、“AI 数据”极大提升医疗行业的效率和体验。 3、传统的诊断思维，知识和信息滞后，用知识图谱智能诊断准确率会更高。 4、医学与人工智能双向驱动让患者同医疗企业共享科技智慧。 可以预测，人工智能应用在未来3-5年会融入到每个人的生活当中。而以自动驾驶为代表的逻辑驱动和以医疗为代表的知识驱动就是人工智能的两个“引擎”。医学是一门知识驱动类学科，只要从多维度收集足够多、足够可靠的知识，就能在辅助决策层面发挥巨大的价值，医疗人工智能企业在运营中要多围绕模式让技术变现，这样才有可能去做更多有创造性的事。康夫子研发的 “医疗大脑”在虚拟助手、药物挖掘、智能诊断方案方面积极辅助医生，这种以知识为动力的医疗智能化能在逻辑层面更好地服务人类，将会让医生真正从繁杂的劳动中解放出来。
· end · |
|
|
